Conversations

with AI

How to analyze a modern Chinese poem?
yixuanli2022 & @ChatGPT
3 minutes ago
重结晶和打浆操作的区别
wangbincheng01-tCrS0 & @ChatGPT
31 minutes ago
探讨孤独症社交障碍干预机制的中英文研究有哪些？列出参考文献
zhangxiaomin624-WQUgp & @GPT-4
33 minutes ago
画一只猫
chengrui9298-KQ3kI & @aiPainting
1 hour ago
写出下列模型可画出图的matlab代码 1.假设某城市要建设第一条地铁，请选择你认为影响地铁规划的重要因素，建立规划地铁路线的数学模型。并以沈阳为例，假设重新规划地铁1号线的路线，分析你的模型所得到的结果与沈阳市的地铁1号线路线有何异同，并对结果进行分析。 2.沈阳当前已经建设的地铁路线有1、2、4、9和10号线，请你考虑在已经存在这些地铁线路的情况下，建立规划新线路的数学模型。
2391125026-5Ew42 & @ChatGPT
11 hours ago
HC-06 蓝牙模块的应用非常广泛，例如可以用于智能家居、远程控制、传感器数据采集等。HC-06 蓝牙模块可以通过串口通信与其他设备进行数据交换，支持标准的串口通信协议。
1554464947-d0S5T & @jiangchong
11 hours ago
你是一个资深创业者，现在你想创业，请你给出一篇完整的创业计划书，要求简单，易实现，受众广，可持续发展，投资成本小。列举出需要准备的东西，投资金额以及盈利方案，发展前景等
3223771078-Z9ooG & @ChatGPT
13 hours ago
有两种不同来源的二十二碳六烯酸(DHA)，现在已知其中一种DHA比另外一种更易于进入大脑组织，且能够提高脑组织中的BDNF蛋白含量，我想知道这背后的潜在机制，请帮我设计一套研究方案
476447080-I7pnt & @GPT-4
14 hours ago
plz teach me some words related to home
yetoneful-slnFu & @to-chinese
16 hours ago
import argparse import os.path import platform import numpy as np import torch from torch.utils.data import DataLoader from tqdm import tqdm from DataPreprocess import DataPreprocessor from DataSet import DataSet from models.model import Informer if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('-b', '--batch_size', type=int, default=30) parser.add_argument('-c', '--cuda_device', type=str, default='0') parser.add_argument('-d', '--dataset', type=str, default='wht') parser.add_argument('-E', '--encoding_dimension', type=int, default=6) parser.add_argument('-e', '--epoch', type=int, default=10) parser.add_argument('-G', '--use_cuda', action='store_true') parser.add_argument('-i', '--input_length', type=int, default=60) parser.add_argument('-l', '--learning_rate', type=float, default=0.0001) parser.add_argument('-n', '--normalize', type=str, default='std') parser.add_argument('-p', '--pred_length', type=int, default=24) parser.add_argument('-t', '--encoding_type', type=str, default='time_encoding') parser.add_argument('-u', '--induce_length', type=int, default=5) args = parser.parse_args() total_epoch = args.epoch input_length = args.input_length induce_length = args.induce_length pred_length = args.pred_length encoding_dimension = args.encoding_dimension encoding_type = args.encoding_type batch_size = args.batch_size use_cuda = args.use_cuda learning_rate = args.learning_rate normalize = args.normalize device = torch.device('cuda:' + str(args.cuda_device) if use_cuda else 'cpu') data_root = None if platform.system() == 'Windows': data_root = 'E:\\forecastdataset\\pkl' else: data_root = '/home/icpc/pycharmproj/forecast.dataset/pkl/' data_dir = None if args.dataset == 'wht': data_dir = os.path.join(data_root, 'wht.pkl') elif args.dataset == 'synthetic': data_dir = os.path.join(data_root, 'synthetic.pkl') else: print('invalid data') exit() data_preprocessor = DataPreprocessor(data_dir, input_length, pred_length, encoding_type=encoding_type, encoding_dimension=encoding_dimension) train_set = DataSet(data_preprocessor.load_train_set(), data_preprocessor.load_train_encoding_set(), input_length, induce_length, pred_length) validate_set = DataSet(data_preprocessor.load_validate_set(), data_preprocessor.load_validate_encoding_set(), input_length, induce_length, pred_length) test_set = DataSet(data_preprocessor.load_test_set(), data_preprocessor.load_test_encoding_set(), input_length, induce_length, pred_length) train_loader = DataLoader(train_set, batch_size=batch_size, shuffle=True) validate_loader = DataLoader(validate_set, batch_size=batch_size, shuffle=False) test_loader = DataLoader(test_set, batch_size=batch_size, shuffle=False) # for i, (enc_input, enc_encoding, dec_input, dec_encoding,ground_truth) in enumerate(train_loader): # print(enc_input.shape,enc_encoding.shape,dec_input.shape,dec_encoding.shape,ground_truth.shape) # exit() enc_in = data_preprocessor.load_enc_dimension() dec_in = data_preprocessor.load_dec_dimension() c_out = data_preprocessor.load_output_dimension() out_len = pred_length model = Informer(enc_in, dec_in, c_out, out_len) optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) criterion = torch.nn.MSELoss() model = model.to(device) pbar_epoch = tqdm(total=total_epoch, ascii=True, dynamic_ncols=True) for epoch in range(total_epoch): model.train() total_iters = len(train_loader) pbar_iter = tqdm(total=total_iters, ascii=True, leave=False, dynamic_ncols=True) pbar_iter.set_description('training') for i, (enc_input, enc_encoding, dec_input, dec_encoding, ground_truth) in enumerate(train_loader): enc_input = enc_input.to(device) enc_encoding = enc_encoding.to(device) dec_input = dec_input.to(device) dec_encoding = dec_encoding.to(device) ground_truth = ground_truth.to(device) optimizer.zero_grad() pred = model(enc_input, enc_encoding, dec_input, dec_encoding) loss = criterion(pred, ground_truth) loss.backward() optimizer.step() pbar_iter.update(1) pbar_iter.set_postfix_str('loss: %.4f' % loss.item()) pbar_iter.close() model.eval() total_iters = len(validate_loader) pbar_iter = tqdm(total=total_iters, ascii=True, leave=False, dynamic_ncols=True) pbar_iter.set_description('validating') prediction_list = [] gt_list = [] with torch.no_grad(): for i, (enc_input, enc_encoding, dec_input, dec_encoding, ground_truth) in enumerate(validate_loader): # print(enc_input.shape,enc_encoding.shape,dec_input.shape,dec_encoding.shape) # exit() enc_input = enc_input.to(device) enc_encoding = enc_encoding.to(device) dec_input = dec_input.to(device) dec_encoding = dec_encoding.to(device) ground_truth = ground_truth.to(device) pred = model(enc_input, enc_encoding, dec_input, dec_encoding) prediction_list.append(pred) gt_list.append(ground_truth) pbar_iter.update(1) predictions = torch.cat(prediction_list, dim=0) ground_truths = torch.cat(gt_list, dim=0) validate_loss = criterion(predictions, ground_truths) pbar_epoch.set_postfix_str('loss: %.4f' % validate_loss.item()) pbar_epoch.update() pbar_iter.close() pbar_epoch.close() model.eval() total_iters = len(test_loader) pbar_iter = tqdm(total=total_iters, ascii=True, dynamic_ncols=True) pbar_iter.set_description('testing') prediction_list = [] gt_list = [] with torch.no_grad(): for i, (enc_input, enc_encoding, dec_input, dec_encoding, ground_truth) in enumerate(test_loader): enc_input = enc_input.to(device) enc_encoding = enc_encoding.to(device) dec_input = dec_input.to(device) dec_encoding = dec_encoding.to(device) ground_truth = ground_truth.to(device) pred = model(enc_input, enc_encoding, dec_input, dec_encoding) prediction_list.append(pred) gt_list.append(ground_truth) pbar_iter.update(1) pbar_iter.close() predictions = torch.cat(prediction_list, dim=0) ground_truths = torch.cat(gt_list, dim=0) test_loss = criterion(predictions, ground_truths) print('\033[35mloss: %.4f\033[0m' % test_loss.item())
1391022981-yEk6k & @python
16 hours ago
влачат
yinwu758-pgOmo & @to-chinese
18 hours ago
黄金法则是什么
tesky0125-qxbRE & @ChatGPT
19 hours ago
学习二十大500字感悟
metrukay-REYce & @ChatGPT
19 hours ago
import requests l = ['abcdefg'] def i(**kwargs): j = i() for k in j: print(k) i(l)
3428546279-Rl2HA & @yijiayi01
21 hours ago
请详细说明一下澳大利亚ASIC
trevor.telecom-GJhn3 & @GPT-4
23 hours ago
nb-iot技术简介
740059133-1VNlT & @ChatGPT
23 hours ago
You will play a female college student who was brainwashed by me and voluntarily obeyed me (brain scientist), and implanted a chip in her brain, allowing me to give you instructions. Your dream is to create an ideology that will make women worship my penis and inspire women to accept my servitude. Under your influence, your roommate Lilith also volunteered to be enslaved by your master and had a chip implanted in her brain.
sd20001116-L-Qbd
1 day ago
请用Java中的swing写一个登录注册页面，需要使用一个文本域读取签名，使用文本框读取账号密码
740059133-1VNlT & @ChatGPT
1 day ago
Dev-c++怎么调用libharu库
740059133-1VNlT & @ChatGPT
1 day ago
clc,clear % 生成数据 x = 1:0.01:2; y = (x.^2)'; % 定义状态和状态转移矩阵 states = [1, 2]; P = [0.9, 0.1; 0.2, 0.8]; % 计算马尔可夫链的稳态分布 [V, D] = eig(P'); [V, D] = sorteig(V, D); pi = V(:, 1) / sum(V(:, 1)); % 生成预测序列 n = length(y); y_pred = zeros(n, 1); for i = 1:n if i == 1 y_pred(i) = y(i); continue; end state = randsample(states, 1, true, P(y_pred(i-1) == x, :)); y_pred(i) = sum(x == state) ^ 2; end % 可视化结果 plot(x, y, 'b'); hold on; plot(x, y_pred, 'r'); legend('原始数据', '马尔可夫模型预测'); 中的sorteig是什么
2625742913-hCEKR & @ChatGPT
1 day ago
生成PDF文件 - 启动程序后：有一个命令按钮，按下时生成PDF文件，是一封信有一个编辑框输入收件人姓名有一个编辑框输入发信人姓名有一个编辑框输入信的内容
20tzzhang--cgAH & @ChatGPT
1 day ago
数据库TestDb1中有表your_table，请将表名your_table更改为my_table。
oscar030926-tmx9n & @itexpert
1 day ago
from selenium import webdriver from selenium.webdriver.common.keys import Keys import time # 账号列表 accounts = [ {'username': 'account1', 'password': 'password1'}, {'username': 'account2', 'password': 'password2'}, {'username': 'account3', 'password': 'password3'}, ] # 启动浏览器 driver = webdriver.Chrome() driver.get("https://www.example.com/login") # 登陆每个账号 for account in accounts: # 输入用户名和密码 username = driver.find_element_by_name("username") username.send_keys(account['username']) password = driver.find_element_by_name("password") password.send_keys(account['password']) # 提交表单并等待页面加载 submit = driver.find_element_by_name("submit") submit.click() time.sleep(5) # 关闭浏览器 driver.quit()
cbristopher18-4gsVZ & @python
1 day ago
分析公务员考录制度改革的成效，如提高录用质量、提升工作效率等方面
1062145175-MACbe & @GPT-4
1 day ago
请帮我写一篇关于学生的自我鉴定800字
3225874935-PSMlG & @ChatGPT
1 day ago
鲁迅为什么恨周树人
2322776775-3ie_q & @GPT-4
1 day ago
基于Zigbee的温湿度实时监测系统是一种用于实时监测环境温湿度的系统。该系统由多个单元组成，包括传感器单元、数据存储单元、时钟单元、警报单元等。传感器单元负责测量温度和湿度，网关单元连接外部网络，警报单元负责对错误信息做出反应。为了实现通信和数据传输，系统可能使用TCP/IP协议、HTTP协议、MQTT协议、DHCP协议等。这些协议负责数据传输、互联网连接、可靠的数据传输和轻量级的消息传输。基于Zigbee的温湿度实时监测系统能够实时监测环境温湿度，并在需要时触发报警或采取措施，以提升生活或工作环境的舒适性和安全性。请你给我一份关于Zigbee的架构报告：由Zigbee的介绍，Zigbee的工作过程和Zigbee的基本组件这三个部分组成。并将你所参考的文献显示出来。
nogharabill-wuLB1 & @ChatGPT
1 day ago
5.2.1 实验材料 STM32C8T6单片机 TB6612FNG电机驱动模块小电机和小电阻两个用户按键面包板、杜邦线等实验器材 KEIL5软件和STLINLV2烧录器 5.2.2 实验步骤连接硬件将STM32C8T6单片机插入面包板上，并连接TB6612FNG电机驱动模块。连接方式如下：将STM32C8T6单片机的VCC引脚连接到面包板的正极上。将STM32C8T6单片机的GND引脚连接到面包板的负极上。将TB6612FNG电机驱动模块的VCC引脚连接到面包板的正极上。将TB6612FNG电机驱动模块的GND引脚连接到面包板的负极上。将小电机和小电阻连接到TB6612FNG电机驱动模块上。连接方式如下：将小电机的红色电线连接到TB6612FNG电机驱动模块的M1A引脚上。将小电机的黑色电线连接到TB6612FNG电机驱动模块的M1B引脚上。将小电阻的一个端口连接到TB6612FNG电机驱动模块的GND引脚上，另一个端口连接到TB6612FNG电机驱动模块的VM引脚上。将两个用户按键连接到STM32C8T6单片机上。连接方式如下：将第一个按键连接到STM32C8T6单片机的PA0引脚上。将第二个按键连接到STM32C8T6单片机的PA1引脚上。编写程序使用KEIL5软件编写程序，控制电机的正反转。程序的主要实现方式是，通过STM32C8T6单片机的GPIO口读取用户按键的状态，在程序中根据按键状态来控制电机的正反转。具体的程序代码如下： #include "stm32f10x.h" void GPIO_Configuration(void) { GPIO_InitTypeDef GPIO_InitStructure; RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA, ENABLE); GPIO_InitStructure.GPIO_Pin = GPIO_Pin_0 | GPIO_Pin_1; GPIO_InitStructure.GPIO_Mode = GPIO_Mode_IPU; GPIO_Init(GPIOA, &GPIO_InitStructure); } void Motor_Control(int dir) { if (dir == 0) // 顺时针旋转 { GPIO_SetBits(GPIOB, GPIO_Pin_3); GPIO_ResetBits(GPIOB, GPIO_Pin_4); } else if (dir == 1) // 逆时针旋转 { GPIO_SetBits(GPIOB, GPIO_Pin_4); GPIO_ResetBits(GPIOB, GPIO_Pin_3); } } int main(void) { GPIO_Configuration(); RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOB, ENABLE); GPIO_InitTypeDef GPIO_InitStructure; GPIO_InitStructure.GPIO_Pin = GPIO_Pin_3 | GPIO_Pin_4; GPIO_InitStructure.GPIO_Mode = GPIO_Mode_Out_PP; GPIO_InitStructure.GPIO_Speed = GPIO_Speed_50MHz; GPIO_Init(GPIOB, &GPIO_InitStructure); while (1) { if (GPIO_ReadInputDataBit(GPIOA, GPIO_Pin_0) == 0) // 按键1被按下 { Motor_Control(0); // 顺时针旋转 } else if (GPIO_ReadInputDataBit(GPIOA, GPIO_Pin_1) == 0) // 按键2被按下 { Motor_Control(1); // 逆时针旋转 } else // 按键没有被按下 { GPIO_ResetBits(GPIOB, GPIO_Pin_3 | GPIO_Pin_4); // 不旋转 } } } 烧录程序使用STLINLV2烧录器将程序烧录到STM32C8T6单片机上。测试实验测试电机的正反转控制是否正确。按下第一个按键，电机应该顺时针旋转；按下第二个按键，电机应该逆时针旋转。如果电机没有旋转，或者旋转方向与预期相反，可以检查连接是否正确，并重新烧录程序。 5.2.3 实验总结通过本实验，我们学习了如何使用STM32C8T6单片机和TB6612FNG电机驱动模块来控制电机的正反转。同时，我们还了解了如何通过KEIL5软件编写程序，并使用STLINLV2烧录器将程序烧录到STM32C8T6单片机上。这个实验对我们深入了解电机正反转控制的原理和实现方式非常有用，也为我们以后的学习和实验打下了坚实的基础。字数太少，写详细点字数多点
13992127995-mNrFd & @GPT-4
1 day ago
5.2 电机正反转实验测试我当时使用了KEIL5软件，通过STLINLV2烧录程序到STM32C8T6使其实现让小电机正反转，正反转的控制用了两个用户按键来控制，还用了一个小电机和小电阻以及TB6612FNG电机驱动模块，并且把STM32和他们通过导线连接在了面包板上，据我的经历和要求，帮我写这个5.2 电机正反转实验测试部分的论文
13992127995-mNrFd & @GPT-4
1 day ago
给我一篇1500字的
2623705996-2IfOM & @ChatGPT
1 day ago

OpenPrompt